遥感图像分类是地理信息系统的关键技术,在城市规划、环境监测、军事侦察等领域起到十分重要的作用。近年来,深度学习成为机器学习领域的一个新兴研究方向。深度学习采用模拟人脑多层结构的方式,对数据从低层到高层渐进地进行特征提取,从而发掘数据在时间与空间上的规律,进而提高分类的准确性。然而,现有工作中较少有工作将深度学习方法应用于遥感图像分类任务。本文的主要工作和创新点如下:(1)提出一种基于深度信念网络(DBN)模型的SAR遥感图像分类方法。DBN结合了无监督学习和有监督学习的学习的优点,可自动发掘遥感数据在时间和空间上所蕴含的规律,进而提高分类精度。利用多天的RADARSAT-2卫星极化SAR图像进行验证,实验表明,该方法可取得优于支持向量机(SVM)及传统神经网络(NN)的分类效果。(2)提出一种基于层次局部感受野极限学习机(ELM)的高光谱遥感图像分类方法。局部感受野(LRF)源自神经科学的研究成果,引入LRF的概念可更深入挖掘高光谱数据中各波段数据的相关性,从而提高分类精度;同时,采用层次结构可进一步提升高光谱图像分类精度。在Indian Pines和Pavia University两个高光谱数据集上的实验表明,我们提出的方法跟SVM等7种方法相比可取得更高的分类精度,并且具有较快的训练效率。(3)提出一种基于二阶矩稀疏编码的高光谱遥感图像分类方法。将稀疏编码(稀疏表示)应用于高光谱遥感图像处理,是近年来高光谱信息处理的一个热点研究方向。然而,这些基于稀疏编码的方法都没有充分利用高光谱遥感图像的空间信息。通过挖掘地物空间相关性的信息,有希望进一步提升高光谱遥感图像分类精度。在天宫一号和KSC数据集上的实验表明,本文提出的方法与SVM等方法相比,能较大程度提升高光谱遥感图像分类精度。(4)提出一种基于层次稀疏编码的光学遥感图像场景分类方法。该方法本质上是一种多层、多尺度、多路径稀疏编码,它能对光学遥感图像更有效地进行特征提取,使图像的特征表达得更充分。所获得的编码进一步作空间金字塔池化(SPP)操作,得到相应的SPP表示。不同路径的SPP表示合在一起被送往SVM分类器,从而得到最后的分类结果。在UCM、WHU-RS和RSSCN7共3个数据集上的实验表明,本文提出的方法能获得更高的光学遥感图像场景分类精度。